机器学习 面试题-第四章 评估指标（大厂必问，历经半年整理）

老铁们✌，重要通知🙌！福利来了！！！😉

亲们，老铁最近熬夜帮你们整理了更完整、更棒的机器学习岗面试题总结，在这里哟：
https://download.csdn.net/download/cc13186851239/14934986
https://download.csdn.net/download/cc13186851239/14935027
资料介绍：从机器学习模型，线性模型（LR,Lasso,Ridge）,验证方式（过拟合，欠拟合，交叉验证等），分类，正则化，特征工程，决策树，KNN,SVM,集成学习等13个模块来分别来描述最全面的面试问题
小伙伴们抓紧来学习，稳稳地上大厂，高Base它不香嘛！

4.评估指标

4.1 什么是准确率,精准率,召回率和F1分数？混淆矩阵

准确率 = (TP+TN)/总样本数 = 预测正确的结果占总样本的百分比

4.2 模型常用的评估指标有哪些？

4.2.1 Precision（查准率）

精准率(Precision) = TP/(TP+FP) =所有被预测为正的样本中实际为正的样本的概率

4.2.2 Recall（查全率）

召回率(Recall) = TP/(TP+FN) = 在实际为正的样本中被预测为正样本的概率
查准率和查全率是一对矛盾的度量，一般而言，查准率高时，查全率往往偏低；而查全率高时，查准率往往偏低。

4.2.3 P-R曲线

横轴为召回率(查全率)，纵轴为精准率(查准率);
引入“平衡点”(BEP)来度量，表示“查准率=查全率”时的取值，值越大表明分类器性能越好。

4.2.4 F1-Score

准确率和召回率的权衡‍: 只有在召回率Recall和精确率Precision都高的情况下，F1 score才会很高，比BEP更为常用。

4.2.5 ROC和AUC

4.2.5.1什么是ROC曲线？如何判断 ROC 曲线的好坏？

ROC曲线：横轴为FPR，纵轴为TPR
灵敏度TPR = TP/(TP+FN) 特异度FPR = TN/(FP+TN)
真正率（TPR） = 灵敏度 = TP/(TP+FN) –> 真阳性率 = 召回 = TPR
假正率（FPR） = 1- 特异度 = FP/(FP+TN)
FPR的含义：所有确实为“假”的样本中，被误判真的样本。
TPR 越高，同时 FPR 越低（即 ROC 曲线越陡），那么模型的性能就越好。

4.2.5.2 什么是AUC？

AUC: ROC曲线下的面积，AUC的取值范围在0.5和1之间。
衡量二分类模型优劣的一种评价指标，表示正例排在负例前面的概率。

4.2.5.3 如何解释AU ROC分数？

表示预测准确性，AUC值越高: 预测准确率越高，反之越小 预测准确率越低。
AUC如果小于0.5，说明预测诊断比随机性猜测还差，实际情况中不应该出现这种情况，可能是设置的状态变量标准有误，需要查看设置。

4.3 多标签分类怎么解决？

问题转换
	二元关联（Binary Relevance）
	分类器链（Classifier Chains）
	标签Powerset（Label Powerset）	
改编算法: kNN的多标签版本是由MLkNN表示
集成方法: Scikit-Multilearn库提供不同的组合分类功能